Pemanfaatan Lahan Basah Buatan untuk Mengurangi Degradasi Kualitas Air di Danau Tondano
Bibliographic record
Abstract
Perubahan iklim global akan berdampak pada perubahan temperatur dan curah hujan di Daerah Aliran Sungai yang dapat mengubah aliran air masuk ke danau dan menyebabkan terbawanya kontaminan dan sedimen yang berujung pada degradasi kualitas air. Selain itu, polutan dari pertanian dan sumber lainnya akan semakin memperparah pencemaran di danau. Danau Tondano sebagai salah satu dari 15 danau prioritas nasional memiliki pemanfaatan yang beragam antara lain untuk pembangkit listrik tenaga air, air baku, pertanian, perikanan jaring tancap dan pariwisata, sudah mengalami eutrofikasi dan ledakan pertumbuhan plankton di permukaan danau yang akan membahayakan kehidupan organisme dalam ekosistem danau. Studi tentang kualitas air pada 9 inlet utama dan di danau dilakukan untuk mendapatkan kondisi aktual kualitas air danau. Hasil studi menunjukan sebagian besar air di danau Tondano sudah tercemar ringan sampai berat. Mengantisipasi kejadian penurunan kualitas air ini studi lanjutan dilakukan yaitu dengan mengaplikasikan sistem lahan basah terapung yang memanfaatkan 3 jenis tanaman air lokal. Hasil studi menunjukkan bahwa kandungan nutrien (N, P, K) pada 3 tanaman air cenderung berada di atas standar menurut SNI 19-17030-2004. Khususnya kandungan Nitrogen standar mutu (N) 0,40% namun pada ketiga makrofita masing-masing sebesar (0,72; 1,34, 0,92) %, jauh di atas standar mutu. Kandungan nutrient juga menunjukkan angka melebihi baku mutu menurut PP RI No. 22 tahun 2021. Penelitian ini menemukan tanaman makrofita air, bertumbuh dan berkembang sangat pesat di dalam lahan basah. Jika pemanenan dilakukan, maka 3 tanaman air ini relatif efisien dalam menghilangkan nutrient (P dan N) sehingga mengurangi tingkat kesuburan danau penyebab eutrofikasi.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.000 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.015 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".